Steder å være i Varanger : utvikling av en prediktiv lokasjonsmodell for kystbosetning i Finnmarks eldre steinalder

(1)

Steder å være i Varanger

Utvikling av en prediktiv lokasjonsmodell for kystbosetning i Finnmarks eldre steinalder

Lars Joar Julsrud

Ark 3900

Mastergradsoppgave i Arkeologi

Fakultet for humaniora, samfunnsvitenskap og lærerutdanning Institutt for arkeologi og sosialantropologi

Universitetet i Tromsø Våren 2010

(2)

2

(3)

3

Forord

Da var det endelig gjort til slutt, mange utfordringer har det vært og innimellom har man lurt på hva det egentlig er man har rotet seg borti. Å fullføre en mastergradsoppgave i arkeologi er ikke noe lett foretak å begi seg ut på men får man den støtten man trenger så kommer man i havn. Så æres de som æres bør.

Aller først må jeg gi en stor takk til min veileder professor Hans Peter Blankholm som ikke bare har kunnet gi de riktige tilbakemeldinger når de trengtes, men også har vist meg tillitt og stolt på at en student som liker å holde kortene tett til brystet får gjort det han skal.

Videre må det også takkes alle de ansatte og studerende ved institutt for arkeologi og sosialantropologi ved universitetet i Tromsø (avd. Breiviklia) som alle har vært dyktige på å skape en inkluderende atmosfære så man føler seg hjemme.

Til sist må jeg også prise mine medkumpaner i bandet Skinpuppet: Øystein, Jon, Geir og Karoline. Hadde det ikke hvert for det herlige avbrekket fra alt annet i hverdagen de har gitt meg ville jeg ikke ha vart lenge som student.

(4)

4

(5)

5

Innholdsfortegnelse

Forord ... 3

Innholdsfortegnelse ... 5

Figurliste ... 6

Tabelliste ... 7

1 Innledning ... 9

1.1 Problemstillinger ... 10

1.2 Kort om utviklingen av modellen... 11

1.3 Oppgavens form ... 11

2 Forskningshistorie og teoretisk utgangspunkt ... 13

2.1 Romlig arkeologi, bosetningsmønster og prediksjon ... 13

2.2 Tiden før GIS, numeriske modeller... 15

2.3 Prediktiv lokasjonsmodellering og GIS ... 17

2.4 Viktige debatter i litteraturen ... 18

2.4.1 Induktiv og deduktiv modellering ... 18

2.4.2 Prediktiv lokasjonsmodellering og Øko-determinisme ... 20

2.5 Teoretisk utgangspunkt ... 22

2.5.1 Grunnleggende prinsipper ved lokasjonsmodellering ... 23

2.5.2 Affordance-teori og modellvariabler ... 26

3 Metodiske valg og datainnsamling ... 29

3.1 Målsetning for modellen og preliminær modellavgrensning ... 29

3.2 Metodisk rammeverk for modellen ... 31

3.2.1 Grafisk framstilling av variabler og valg av GIS ... 31

3.2.2 Behandling av variabler, en preliminær modell ... 33

3.2.3 Ikke-probabilistisk prediksjon ... 34

3.2.4 Stratifisert modellering og endelig modellavgrensning ... 36

3.2.4.1 Definisjon av høydeintervaller ... 37

3.3 Datainnsamling ... 40

3.3.1 Kartdata: N50, FKB-data og løsmassekart ... 40

3.3.2 Lokalitetsdata ... 44

3.3.2.1 Lokalitetenes stedfesting og utstrekning ... 44

3.3.2.2 Lokalitetenes typebestemmelse ... 47

3.3.2.3 Datering av lokalitetene ... 47

3.3.2.4 Lokalitetsdata og modelltesting ... 49

4 Valg av modellvariabler... 51

(6)

6

4.1 Subsistensøkonomi og bosetningsmønster i eldre steinalder ... 51

4.2 Typiske modellvariabler ... 54

4.3 Naturlige havner ... 59

4.4 Alternative variabler som har blitt utelatt ... 62

5 Modellframstilling ... 65

5.1 Datapreparering ... 65

5.2 Digital høydemodell og høydeintervaller ... 66

5.3 Definisjon av variabelparametre og framstilling av variabler ... 67

5.4 Kombinering av variabler og definisjon av prediksjonskriterier ... 75

6 Praktisk applisering av modellen, testing og evaluering ... 79

6.1 Test av preliminær modell, 60 til 90 meter over havet ... 80

6.1.1 Korrelasjon mellom variabler og lokaliteter ... 80

6.1.2 Prediksjoner med den preliminære modellen ... 86

6.1.3 Justeringer av modellen ... 89

6.2 Endelig modelltest, 40 til 90 høydemeter ... 89

6.2.1 Korrelasjon mellom variabler og lokaliteter ... 90

6.2.2 Variabelkorrelasjon for samtlige høydeintervall ... 96

6.2.3 Prediksjoner med den justerte modellen ... 100

6.2.4 En alternativ prediksjonsløsning, vekting av variabler ... 102

6.3 Oppsummering ... 105

7. Avsluttende konklusjoner ... 107

8. Litteraturliste ... 111

9 Appendiks: Lokalitetsdata ... 117

Figurliste

Figur 1: Preliminær modellavgrensning. ... 30

Figur 2: Vektor- og rasterdata ... 32

Figur 3: Høydeintervallenes tidsspenn på isobase 26. ... 39

Figur 4: Høydeintervallenes tidsspenn på isobase 28. ... 39

Figur 5: Avgrensning høydekurver 5m - Innenfor preliminær modellavgrensning. ... 42

Figur 6: Endelig modellavgrensning . ... 43

Figur 7: Punktdata versus buffersone ... 46

Figur 8: Distribusjonskart over samtlige innsamlede testlokaliteter (88 totalt). ... 48

Figur 9: Eksempel på helningsvrariabelen ferdig framstilt ... 68

(7)

7

Figur 10: Eksempel på orienteringsvrariabelen ferdig framstilt ... 69

Figur 11: Utbredelsen av marine avsetninger og elv/breelvavsetninger i Varangerfjordområde. ... 70

Figur 12: Eksempel på fremstilling av nærhet til ferskvann ... 71

Figur 13: Eksempel på framstilling av innløpsvariabelen ... 72

Figur 14: Eksempel på skjermet område ferdig framstilt. ... 73

Figur 15: Eksempel på nes, eid og holme ferdig framstilt. ... 74

Figur 16: Eksempel på konvertering av en variabel fra vektor- til rasterdata ... 75

Figur 17: Utsnitt av den samlede variabelrasteren. ... 76

Figur 18: Utsnitt av prediksjonsrasteren. ... 76

Figur 19: Korrelasjon mellom variabler, lokaliteter og areal angitt med prosentandel for [60,90 moh. ... 81

Figur 20: Eksempler på lokalitetslasseringer ... 83

Figur 21: Nær korrelasjon med ferskvann... 84

Figur 22: Utsnitt av den preliminære modellens prediksjonsraster - 60 til 90 moh. ... 87

Figur 26: Korrelasjon mellom variabler, lokaliteter og areal angitt med prosentandel for samtlige høydeintervall. ... 97

Figur 27: Korrelasjon mellom variabler og lokaliteter totalt, og mellom variabler og lokaliteter med markante strukturer angitt med prosentandel. ... 97

Figur 28: Utsnitt av den ferdige modellen – Prediksjoner basert på intersekjson 40 til 90 moh. ... 101

Figur 29: Utsnitt av den ferdige modellen – Prediksjoner basert på vektede variabler 40 til 90 moh. ... 104

Tabelliste

Tabell 1: Høydeintervallenes utslag på dateringskurvene ... 38

Tabell 2: Målemetoder for stedfestingsdataene. ... 45

Tabell 3: Geografiske tema benyttet i modellframstilling. ... 65

Tabell 4: Fordeling av antall lokaliteter over høydeintervall. ... 80

(8)

8

Tabell 5: Korrelasjon mellom variabler, lokaliteter og areal angitt med antall for [60,90 moh.

... 80

Tabell 6: Variabler med korrelasjon til hver enkelt lokalitet innenfor [60,90 moh. ... 81

Tabell 7: Helningsgradient for hver enkelt lokalitet innenfor [60,90 moh. ... 82

Tabell 8: Fordeling av antall lokaliteter i forhold til antall variabler til stede. ... 88

Tabell 9: Testlokalitetens utslag på den preliminære modellens prediksjonsraster. ... 88

Tabell 10: Korrelasjon mellom variabler, lokaliteter og areal angitt med antall for [60,90 moh. ... 90

Tabell 16:Antall lokaliteter fordelt i forhold til antall variabler til stede. ... 100

Tabell 17: Samtlige testlokaliteters utslag på prediksjonsrasteren. ... 100

Tabell 18: Vektingssystem for vektet prediksjonsraster. ... 102

Tabell 19: Prediksjonskriterier for vektet prediksjonsraster. ... 102

Tabell 20: Samtlige testlokaliteters utslag på den vektede prediksjonsrasteren. ... 103

(9)

9

1 Innledning

I løpet av de omlag siste ti årene har arkeologer i Norge begynt å vise interesse for prediktiv lokasjonsmodellering. Dette er en metode som går ut på å identifisere de steder i landskapet hvor det er størst sannsynlighet for å finne arkeologiske lokaliteter. Prediktive lokasjonsmodeller framstilles på basis av eksisterende kunnskap og/eller teoretiske forståelser av lokaliseringsfaktorer og bosetningsmønster. Dette gjennomføres med utgangspunkt i kartografisk materiale ved hjelp av geografiske informasjonssystemer (GIS).

Utenfor Norge har prediktiv lokasjonsmodellering i varierende grad i ulike land. I Nord-Amerika hvor metoden først ble utviklet har lokasjonsmodeller fått en svært sentral rolle i arkeologisk kulturminneforvaltning. Her brukes lokasjonsmodellene som verktøy i samfunnsplanleggingen for å unngå store inngrep i områder der det kan finnes mange ukjente kulturminner. Prediktive lokasjonsmodeller er imidlertid ikke et verktøy som kun er interessant i en forvaltningssammenheng. Registrering og kartlegging av ukjente kulturminner er i seg selv en viktig side ved arkeologiske forskning.

Nord-Norge er i stor grad en uutforsket region når det gjelder arkeologi og antallet arkeologiske kulturminner som så langt har blitt kartlagt er etter alt og dømme marginal sammenlignet med mengden av ukjente lokaliteter som enda venter på å bli oppdaget. For å utvide kunnskapshorisonten om fortiden i Nord-Norge vil de arkeologiske forskningsprosjektene sannsynligvis bruke mye tid og ressurser på å kartlegge nye lokaliteter i lang tid fremover. I den sammenheng kan prediktiv lokasjonsmodellering kanskje være til stor hjelp for å identifisere de mest interessante stedene i landskapet for arkeologisk registreringsvirksomhet.

Prediktiv lokasjonsmodellering har knapt vært forsøkt anvendt i nordnorsk sammenheng. Det foreligger da heller ingen konkrete eksempler på lokasjonsmodeller rettet mot den nordnorske eldre steinalderbosetningen som vi først og fremst kjenner fra kystområdene. Morten Engen (2003) har imidlertid framstilt en modell for steinalderlokaliteter på Hitra, men denne var basert på kun to variabler og var heller ikke spesielt vellykket. I denne oppgaven skal jeg belyse muligheten for å utvikle prediktive lokasjonsmodeller rettet mot eldre steinalderlokaliteter i et nordnorsk kystlandskap. Dette vil bli gjort gjennom å framlegge en konkret lokasjonsmodell som har blitt utprøvd mot kjente eldre steinalderlokaliteter i områdene rundt Varangerfjorden.

(10)

10 1.1 Problemstillinger

Generelt sett har prediktive lokasjonsmodeller først og fremst rettet seg mot innlandsregioner (se for eksempel Allen et al. 1990, Dalla Bona 2000, Warren & Asch 2000).

Lokasjonsmodellering av kystbaserte lokaliteter har i liten grad blitt gjort og strandlinjeforskyvning gir utfordringer som de innlandsbaserte modellene aldri har måttet forholde seg til. Metoden har dermed vært uprøvd i denne konteksten og lokaliseringsfaktorer som det gjerne fokuseres på i den nordnorske steinalderforskningen, som for eksempel havneforhold, lar seg ikke automatisere i GIS. Derfor har hovedproblemstillingen for dette mastergradsprosjektet vært:

Kan prediktiv lokasjonsmodellering benyttes for å finne fram til eldre steinalderlokaliteter i nordnorske kystlandskap?

Selv om de fleste lokasjonsmodeller er rettet mot et vidt spekter av ulike arkeologiske kontekster er det visse lokaliseringsfaktorer som benyttes så ofte som modellvariabler at de nærmest kan karakteriseres som typiske for metoden (Dalla Bona 1994). Disse variablene, for eksempel helning og nærhet til ferskvann, er da heller ikke utenkelige at de kan ha betydning også i et kystlandskap. Fordi disse variablene har vært så vedvarende brukt har det derfor vært naturlig å formulere følgende underproblemstilling:

Kan de mest brukte modellvariablene i prediktive lokasjonsmodeller også benyttes for å predikere kystnære eldre steinalderlokaliteter i Nord-Norge?

Videre er prediktiv lokasjonsmodellering i seg selv en spesialisert form for lokasjonsanalyse.

Man avdekker mønstre og sammenhenger mellom arkeologiske lokaliteters plassering og landskap som deretter benyttes for å gjennomføre prediksjoner. Dermed ville det også være interessant å se litt nærmere på om det gjennom lokasjonsmodellering også var mulig å avdekke ulike mønstre ut fra allerede registrerte lokaliteter. Det ble derfor til formulert en siste underliggende problemstilling:

Vil en prediktiv lokasjonsmodell kunne påvise endringer i forhold til tid eller tydelige avvik blant kjente eldre steinalderlokaliteter?

(11)

11

Alle disse problemstillingene vil dermed bli besvart på bakgrunn av lokasjonsmodellen som har blitt utviklet, testet og evaluert i løpet av dette mastergradsprosjektet.

1.2 Kort om utviklingen av modellen

Utviklingen av lokasjonsmodellen kan hovedsakelig oppsummeres som en prosess som har bestått av fire ulike trinn:

Trinn 1 – Organisering og forarbeid.

Her ble fundamentet for lokasjonsmodellen lagt gjennom formuleringen av et teoretisk rammeverk, innsamling av nødvendig datamateriale og valg av modellvariabler.

Trinn 2 – Framstilling av en preliminær modell

Hovedsakelig ble den praktiske framstillingen av lokasjonsmodellen i GIS utført på dette trinnet. Her ble det produsert et preliminært utkast til en modell basert på de utvalgte variablene og de metodiske beslutningene som ble gjort i organiseringen av modellen.

Trinn 3 – Testing av preliminær modell, justeringer og revurderinger

På dette trinnet ble det den preliminære modellen applisert gjennom testing mot 20 kjente lokaliteter. På bakgrunn av erfaringen fra denne testen ble det så gjennomført justeringer av enkelte variabler som resulterte i et endelig modellutkast.

Trinn 4 – Endelig modelltest og evaluering

Til slutt ble den endelige modellen applisert gjennom en mer omfattende test hvor i alt 88 kjente lokaliteter ble forsøkt predikert. Resultatene av denne testen ga dermed grunnlag for å evaluere modellen som helhet.

1.3 Oppgavens form

Gjennomføringen av mastergradsprosjektet som presenteres i denne oppgaven har fullt ut handlet om å utvikle den prediktive lokasjonsmodellen. Oppbygningen av oppgaven reflekterer dermed de ulike trinnene i utviklingsprosessen. Dermed har den logisk struktur som leder fra en konkret målsetning fram til et ferdig testet og evaluert sluttprodukt. Foruten innledning og konklusjon er oppgaven delt inn i fem kapitler.

Kapittel 2 som følger denne innledningen skiller seg noe ut da det ikke er direkte tilknyttet utviklingen av modellen. Her settes prediktiv lokasjonsmodellering først inn i et

(12)

12

bredere perspektiv gjennom metodens historiske bakgrunn. Videre gis det en kort teoretisk redegjørelse for hvordan prediktive lokasjonsmodeller i praksis fungerer. Til slutt foreslås affordance-teori som et teoretisk rammeverk for å tenke om modellvariabler.

Kapittel 3 og 4 utgjør trinn 1 i den overnevnte framstillingsprosessen. I kapitell 3 gjøres det rede for metodisk rammeverk, avgrensning og datainnsamling, mens kapitell 4 gir tar for seg modellvariablene som ble valgt og diskuterer hver variabel ut fra affordance-teori.

Den tekniske framstillingen av den preliminære modellen i GIS blir beskrevet i kapittel 5. Her blir det satt definisjoner for variabelparametrene og prediksjonskriterier som definerer hvordan modellen skulle kombinere variablene for å gjøre prediksjoner.

I kapittel 6 blir det gjort rede for praktisk applisering av modellen. Først beskrives testing og evaluering av den preliminære modellen, deretter gjøres det rede for de justeringer av modellen som fulgte. Til slutt gjøres det rede for den endelige modelltesten og evalueringen hvor modellen også blir demonstrert med to ulike prediksjonsløsninger.

Til slutt noen bemerkninger om begreper og tidsangivelser. Det er som oftest vanligst å bare bruke ordene prediktiv modellering om metoden som her vil bli utprøvd. I denne oppgaven har det blitt valgt og omtale den som lokasjonsmodellering fordi den først og fremst handler om å finne til gode steder for lokaliteter. Videre vil geografiske informasjonssystemer i denne oppgaven hovedsakelig omtales med forkortelsen GIS. Når det gjelder tidsangivelser og dateringer i denne oppgaven har det kronologiske rammeverket for modellen vært bygd på strandlinjedatering og alle tidsangivelser gis dermed i ukalibrert BP.

(13)

13

2 Forskningshistorie og teoretisk utgangspunkt

Eksempler på prediktive lokasjonsmodeller innenfor norsk arkeologi har så langt vært relativt få. To modeller har blitt utviklet av Norsk institutt for kulturminneforskning. Den eldste av disse fokuserte på prediksjon av arkeologiske lokaliteter i skogsområder (Skar et al. 2002).

Den andre modellen søkte å predikere samiske kulturminner basert ut fra løsmassekart og satelittdata (Barlindhaug & Holm-Olsen 2006). Lokasjonsmodellering har også vært utgangspunkt for to ulike mastergradsprosjekter. Engens (2003) modell fra Hitra ble nevnt i innledningen. I tillegg har Stamnes (2008) utviklet en modell for å predikere jordbruksbosetninger fra Jernalder i Nord-Trøndelag. I tillegg har Hans Peter Blankholm (2008a) blant annet benyttet metoden for å identifisere gunstige områder for søk etter steinalderlokaliteter i indre Troms. Internasjonalt har lokasjonsmodellering vært i bruk siden 1970-tallet og det eksisterer i dag en omfattende litteratur tilknyttet metoden. Utviklingen av lokasjonsmodellering har for øvrig vært sterkt forbundet med utviklingen av GIS som er det viktigste teknologiske verktøyet for framstilling av prediktive lokasjonsmodeller.

Arkeologisk prediktiv lokasjonsmodellering ble først initiert som metode i USA hvor den hovedsakelig har vært brukt i sammenheng med kulturminneforvaltning (Dalla Bona 1994a, Van Leusen 2002). I litteraturen har det vært tendenser til å dikotomisere tilnærminger og holdninger til prediktiv lokasjonsmodellering med utgangspunkt i en geografisk skillelinje mellom Nord-Amerika og Europa (Van Leusen 2002). De nordamerikanske lokasjonsmodellene oppfattes gjerne som forvaltningsdrevet og preget av induktive og øko- deterministiske tilnærminger. Mens den europeiske befatningen med prediktive lokasjonsmodeller oftere blir ansett som akademisk motivert med en større grad av deduktive og postmodernistiske tilnærminger.

I dette kapittelet vil jeg se nærmere på den forskingshistoriske bakgrunnen for prediktiv lokasjonsmodellering som arkeologisk metode, hvordan den oppsto og har utviklet seg fram til i dag. Særlig vil det bli fokusert på de teoretiske debatter som har funnet sted. Til slutt i kapittelet vil det også bli gjort rede for denne oppgavens teoretiske utgangspunkt. Her vil det bli fokusert på de grunnleggende prinsippene ved lokasjonsmodellering og James Gibsons ’affordance-teori’; et teoretisk rammeverk godt egnet for å diskutere og forstå modellvariabler.

2.1 Romlig arkeologi, bosetningsmønster og prediksjon

Romlig distribusjon av arkeologiske fenomener har fra begynnelsen av hatt en sentral rolle i arkeologien. Men eksplisitt og systematisk forskning på romlige relasjoner kom hovedsakelig

(14)

14

inn med den såkalte romlige arkeologien (spatial archaeology) tidlig på 1970-tallet (Clarke 1977). Arkeologisk prediktiv modellering kan hovedsakelig ses som en spesialisert form for lokasjonsanalyse tilknyttet romlig arkeologi (Van Leusen 2002). Tilkomsten av den romlige arkeologien må i seg selv ses i sammenheng med den prosessuelle arkeologiens teoretiske rammeverk som dominerte på denne tiden. I den prosessuelle arkeologien var det viktig mål å identifisere lovmessige forbindelser mellom arkeologisk materiale og kulturelle systemer. I den sammenheng var det nødvendig å kunne teste samfunnsteorier og hypoteser om kulturelle prosesser mot arkeologiske data (Olsen 1997). Dermed var det et sentralt mål å avdekke mønstre i det arkeologiske materialet. Her fikk studier av romlige relasjoner og statistiske metoder en naturlig rolle.

I tillegg til romlige relasjoner og kvantitativ analyse viste den prosessuelle arkeologien på 1970-tallet generelt en stor interesse for modeller, og etter hvert også det viktigste nye teknologiske hjelpemiddelet: datamaskinen (Clarke 1972, Hodder 1978). Bruk av modeller i lokasjonsanalyse var i seg selv ikke noe særegent for nordamerikansk arkeologi. At prediktiv lokasjonsmodellering først oppsto i USA kan nok til dels ses i sammenheng med at amerikanske arkeologer over lengre tid også hadde hatt sterkt fokus på å identifisere og analysere bosetningsmønstre på regionalt nivå.

Gjennom 1950- og 1960-tallet hadde amerikanske arkeologers interesse for romlige relasjoner i stor grad blitt orientert mot studier av bosetningsmønstre (Clarke 1977 Dalla Bona 1994a). Gordon Willey (1953) hadde med sine undersøkelser Virúdalen i Peru demonstrert at studier av bosetningsmønstre på et regionalt nivå var en fruktbar tilnærming for å forstå arkeologiske kulturer. Willeys prosjekt var nyskapende i både målsetninger og metodikk og hadde stor betydning for den videre utviklingen av regionale bosetningsstudier i løpet av det påfølgende tiår (Parsons 1972).

Mange av de amerikanske bosetningsmønsterstudiene viste seg å beskrive bosetningslokaliteter i større grad enn de ga forklaringer på lokalitetenes eksistens. Dermed så man tidlig på 1970-tallet behov for å rette sterkere fokus på hvorfor de arkeologiske bosetningene var situert på de stedene de var. Derav fulgte det at hvis man identifiserte hvilke lokaliseringsfaktorer som var bestemmende for bosetningenes lokalisering kunne man bruke de samme faktorene for å forutsi hvor man ville finne flere arkeologiske lokaliteter (Dalla Bona 1994a).

De antakelig tidligste analyser av bosetningsmønster som også hadde som mål å finne fram til nye lokaliteter ved hjelp av prediksjon ble gjort tidlig på 1970-tallet (Green 1973, Williams et al. 1973). Felles for disse studiene var at de begge brukte elementer i

(15)

15

naturlandskapet som avgjørende variabler og samtidig bygget på den samme grunnleggende antakelse om at korrelasjon gir grunnlag for prediksjon. Med andre ord: dersom det påvises korrelasjoner mellom arkeologiske lokaliteter og visse landskapselementer vil man finne flere lokaliteter på andre steder hvor de samme landskapselementene er til stede. Et annet viktig prinsipp som også ble uttrykt er at arkeologiske lokaliteters beliggenhet må forstås som polytetisk (Williams et al. 1973). Det vil si at det ikke finnes noen variabel som alene kan forklare eller predikere alle lokaliteters beliggenhet.

Et annet forhold som er av vesentlig betydning for prediktiv lokasjonsmodellering ble i disse tidlige studiene uttrykt ulikt. Dette er spørsmålet om sammenhengen mellom de arkeologiske lokalitetenes plassering og menneskelig handling og valg. Williams et al. (1973) la vekt på at deres modell først og fremst kun viste mønstre mellom landskap og lokalitetenes plassering, og var nøkterne med knytte disse direkte til menneskers kognitive beslutninger og tanker om landskapet. Green (1973) tok imidlertid utgangspunkt i økonomiske teori og tok utgangspunkt i at plasseringen av lokalitetene var bevisst valgt for å effektivisere tilgang til kritiske ressurser.

Prediktive lokasjonsmodeller lar seg nok i liten grad løsrive fra menneskers valg, faktisk kan det sies slik at det en søker å framstille i modellene er nettopp valg av et sted å være (Ejstrud 2001). Dersom de lokaliseringsfaktorer som benyttes som variabler i en modell ikke har hatt noen sammenheng med menneskelige valg vil de naturlig nok ha liten prediktiv verdi. Hvorvidt forbindelser mellom landskap og lokaliteter som påvises har en direkte eller en indirekte sammenheng med menneskers valg av sted å være kan imidlertid være vanskeligere å vurdere. At en modellvariabel viser sterk korrelasjon med arkeologiske lokaliteter kan i seg selv være et resultat av at den har en naturlig korrelasjon med en ukjent lokaliseringsfaktor. Situasjoner der det finnes naturlige forbindelser mellom ulike elementer i landskapet betegnes som regel som autokorrelasjoner.

2.2 Tiden før GIS, numeriske modeller

Fra utgangen av 1970-tallet begynte flere arkeologer å engasjere seg i utviklingen av prediktive lokasjonsmodeller. Dette resulterte i en voksende litteratur knyttet til metoden i løpet av 1980-tallet (Dalla Bona 1994a). Kulturminneforvaltningen i USA var en viktig motivator for denne utviklingen. Ulike amerikanske forvaltningsinstanser etterlyste nå modeller som kunne forutsi hvor en ville finne ukjente arkeologiske lokaliteter (Kvamme 1999). Mange av modellene som ble framstilt på denne tiden ble imidlertid ikke publisert og har dermed i stor grad vært utilgjengelig. I tillegg hadde arkeologenes erfaringer resultert i

(16)

16

svært ulike oppfatninger av modellene, mens flere var skeptisk og betvilte modellenes verdi var andre langt mer positive til metodens framtidsutsikter (Kohler & Parker 1986).

Den metodiske tilnærmingen som ble benyttet i framstilling av de tidlige lokasjonsmodellene har blitt betegnet som numerisk modellering (Dalla Bona 1994a). Man delte området som skulle modelleres inn i et rutenett av kvadratiske celler. Med utgangspunkt i cellene hvor det allerede var påvist eller avvist arkeologiske lokaliteter benyttet man multivariat statistikk for å finne fram til hvilke landskapselementer som hadde prediktiv verdi.

Deretter gjorde man nye statistiske operasjoner for de resterende cellene for å beregne sannsynligheten for at disse inneholdt arkeologiske lokaliteter (se Kvamme 1985, Parker 1985 for eksempler). På grunn av disse numeriske modellene handlet litteraturen også i stor grad om de ulike statistiske teknikkene som ble brukt for å vurdere korrelasjonen mellom arkeologiske lokaliteter og variabler i naturlandskapet (Kvamme 1985, Kohler & Parker 1986, Parker 1985).

Den numeriske fremgangsmåten førte også med seg en rekke praktiske problemer.

Foruten at de krevde stor kyndighet i matematikk og statistikk var de numeriske modellene svært møysommelige og arbeidskrevende å framstille, samtidig som de var tilbøyelig for feil på grunn av manglende automasjon i framstillingsprosessen (Kvamme 1999). I et personlig tilbakeblikk har Kvamme (2006) beskrevet hvordan man måtte gjennomføre 1536 individuelle variabelmålinger for hånd for å framstille en prediktiv lokasjonsmodell for et landområde som var mindre enn en kvadratkilometer i utstrekning.

En naturlig konsekvens av den komplekse prosessen ved å utvikle slike numeriske modeller var at størrelsen på cellene i rutenettene som ble brukt varierte mye. Generelt sett var det nødvendig med modeller med relativt høy oppløsning (små celler) for å få en hensiktsmessig presisjon. Men på grunn av arbeidsmengden dette medførte kunne man vanskelig dekke større områder. Modeller med lav oppløsning kunne potensielt sett dekke store områder men lav presisjon bidro til å svekke deres nytteverdi. Blant prosjektene fra første halvdel av 1980-tallet var modeller med lav oppløsning i klart overtall (Kohler &

Parker 1986). Videre differensierte man sjelden mellom ulike lokalitetstyper og ulike tidsperioder (Dalla Bona 1994a, Kohler & Parker 1986). Dermed tok man ikke hensyn til endring i bosetningsmønster over tid eller at ulike lokalitetstyper kan ha ulike relasjoner til landskapet.

Den teknologiske utviklingen som fant sted i løpet av 1980-tallet skulle vise seg å få store konsekvenser for prediktiv lokasjonsmodellering. Datamaskiner ble nå mer tilgjengelig for arkeologer, samtidig som man fikk utviklet GIS. I disse hjelpemidlene så man løsninger på

(17)

17

problemene med manglende automasjon og oppløsning som hadde begrenset mulighetene for å drive effektiv lokasjonsmodellering (Marozas & Zack 1990, Kohler & Parker 1986 Kvamme 1990).

2.3 Prediktiv lokasjonsmodellering og GIS

Prosessen med å fremstille arkeologiske prediktive lokasjonsmodeller var allerede fra begynnelsen av forbundet med digitale hjelpemidler. Williams et al. (1973) utledet sine hypoteser blant annet fra simuleringer utført med datamaskiner. Chadwicks (1978) modell for mykenske bosetninger i antikken var i seg selv en datasimuleringsmodell. I gjennomføringen av Glenwood-prosjektet benyttet man seg av en avansert kalkulator som kunne skrive matematiske programmer til magnetstriper (Kvamme 2006). Med GIS fikk man endelig tilgang på effektive verktøy for å håndtere geografiske data, gjennomføre analyser og framstille modeller.

Selv om oppkomsten av prediktiv lokasjonsmodellering i arkeologi fant sted før GIS ble tilgjengelig må utviklingen av metoden først og fremst ses i sammenheng med utviklingen av kommersielle geografiske informasjonssystemer (Ejstrud 2001, Kvamme 1999). Regionale lokasjonsmodeller og analyser av geografisk distribusjon av arkeologiske lokaliteter utgjorde noen av de tidligste applikasjoner av GIS i arkeologi. Noen av de aller tidligste arkeologiske arbeidene med lokasjonsmodeller hadde da også utviklet egne databehandlingsprogrammer som i seg selv kan defineres som GIS (Kvamme 1999).

Når kommersielt utviklede GIS ble lettere tilgjengelig for arkeologer mot slutten av 1980-tallet fulgte det snart også mange eksempler på lokasjonsmodeller framstilt i GIS (Altschul 1990, Carmichael 1990, Hasenstab & Resnick 1990, Warren 1990b, Zubrow 1990).

Fordelen med å ta i bruk GIS var at man nå fikk et verktøy som mye lettere kunne håndtere store komplekse sett med geografiske data (Ejstrud 2001, Kvamme 1999, Van Leusen 2002).

Disse kunne også bearbeides og analyseres med en mye større grad av automasjon. Dermed kunne mange av de tidkrevende prosessene man tidligere hadde slitt med gjennomføres relativt raskt og enkelt. De geografiske informasjonssystemene gjorde det endelig mulig å framstille lokasjonsmodeller med høy oppløsning for store geografiske områder. (Kvamme 1999).

Med GIS ble det også endringer i den metodiske framgangsmåten. Det var ikke lenger nødvendig å gjøre statistiske beregninger for hver enkelt celle i et rutenett. Nå kunne man gjennom GIS lage individuelle kartlag som representerte tilstedeværelsen for hver variabel innenfor studieområdet. Disse lagene kunne deretter kombineres med hverandre for å

(18)

18

identifisere hvilke områder som var assosiert med flere ulike variabler. Korrelasjonen mellom variabler og lokaliteter ble til slutt evaluert ved hjelp av statistiske teknikker. Denne metoden for framstilling av lokasjonsmodeller kan betegnes som grafisk modellering (Dalla Bona 1994a)

I løpet av 1990-tallet ble GIS-baserte regionale lokasjonsanalyser også inkorporert i europeisk arkeologi. Disse analysene bygget generelt sett på samme metodikk som de amerikanske lokasjonsmodellene men fokuserte hovedsakelig på å bedre forståelsen av relasjonen mellom kjente lokaliteter og landskap (Baena et al. 1995, Gaffney & Stančič 1996, Guillot & Leroy 1995, Kuna & Adelsbergerová 1995, Verhagen et al. 1995). Prediksjon var dermed ikke nødvendigvis noen uttrykt målsetting selv om korrelasjonene man avdekket kunne ha vært benyttet i et slikt formål. I Nederland viste man tidlig interesse for den prediktive egenskapen ved lokasjonsmodeller og hvordan de kunne benyttes som planleggingsverktøy i arkeologisk virksomhet (Brandt et al. 1992). Lokasjonsmodeller har dermed også fått en viktig rolle i Nederlands kulturminneforvaltning (Van Leusen 2002).

2.4 Viktige debatter i litteraturen

Forutsetningene for å bedrive arkeologisk prediktiv lokasjonsmodellering ble altså gjennomgående forbedret fra slutten av 1980-tallet ved at man tok i bruk GIS. Samtidig som mengden modeller og litteratur økte ble man også i større grad opptatt av å utvikle en klarere forståelse av metodikkens teoretiske fundamenter (Van Leusen 2002). I den sammenheng har to temaer stått sentralt. Det første av disse er utelukkende relatert til lokasjonsmodellering, det vil si spørsmålet om lokasjonsmodeller er best tjent med en induktiv eller deduktiv tilnærming. Det andre temaet dreier seg om tendensen til økologisk determinisme i prediktive lokasjonsmodeller. Dette må også ses i sammenheng med en bredere debatt om GIS, der man stilte spørsmål til hvorvidt GIS i seg selv fordrer en øko-deterministisk forståelse av menneskelig atferd.

2.4.1 Induktiv og deduktiv modellering

Skillet mellom induktive og deduktive tilnærminger innenfor lokasjonsmodellering ble satt på dagsorden av Kohler og Parker (1986). Generelt sett ble induktive modeller oppfattet som utledet utelukkende fra empiriske observasjoner, mens deduktive modeller tok utgangspunkt i en a priori teoretisk forståelse av menneskelig atferd. Induktiv modellering var således redusert til en øvelse i identifisering av korrelasjoner mellom arkeologiske lokaliteter og landskap i tidligere innsamlede data. Modeller framstilt på denne måten har angivelig ingen

(19)

19

nødvendig tilknytning til testing av hypoteser og har derfor mindre verdi som forklaringer på menneskelig atferd (Warren 1990a). Videre har det blitt påpekt at dersom det foreligger feil og skjevheter i det empiriske datagrunnlaget en induktiv modell bygger på, vil disse også videreføres i modellen (Dalla Bona 1994a:5, Van Leusen 1995:35-36).

I den deduktive tilnærmingen søker man med utgangspunkt i teori å bygge hypoteser om sammenhengen mellom menneskelig atferd og landskap (Dalla Bona 1994a, Kohler &

Parker 1986, Warren 1990a). Fra disse hypotesene kan man deretter utlede variabler som benyttes i en lokasjonsmodell. Til slutt testes hypotesene ved å evaluere modellens evne til å påvise arkeologiske lokaliteter. Forskjellen er altså at en deduktiv framgangsmåte modellerer datauavhengige hypoteser i stedet for empiriske observasjoner. I tillegg brukes statistiske korrelasjoner som et evaluerings- fremfor et oppbyggingsverktøy. Deduktive modeller utgjør dermed en konkret form for hypotetisk deduktiv metode.

Til tross for at det tidlig ble framsatt alternative begreper for å klassifisere prediktive lokasjonsmodeller har skillet mellom induktive og deduktive modeller blitt en vedvarende distinksjon (Van Leusen 2002). En distinksjon som i dag er blitt så innarbeidet i litteraturen at det vanskelig lar seg gjøre å diskutere lokasjonsmodellering uten dem. Induktiv og deduktiv modellering er allikevel problematiske og potensielt misvisende termer å bruke dersom en ønsker å forstå lokasjonsmodellering på et grunnleggende teoretisk nivå.

I løpet av andre halvdel av 1980-tallet oppsto det en negativ reaksjon til den såkalte induktive tilnærmingen som hadde vært benyttet i et stort flertall av de framstilte lokasjonsmodellene (Kvamme 1999). Kritikken kom fra arkeologer som sverget til den amerikanske prosessuelle tilnærmingen til arkeologi hvor induksjon var nærmest som skjellsord å regne. I følge disse var det kun en deduktiv prosedyre som kunne forklare bosetningsmønster og som dermed burde ligge til grunn for lokasjonsmodellering (Kvamme 2006). Avvisingen av den induktive tilnærmingen til fordel for den deduktive ble en tiltakende trend i både Amerika og Europa gjennom 1990-tallet (Van Leusen 2002). Ebert (2000) har argumentert for at man innenfor den induktive tilnærmingen har fokusert for mye på metode i forhold til teori. Dermed har man sagt seg fornøyd med å få en modell til å fungere framfor å forklare bosetningsmønster og atferd. Konsekvensen er at induktive modeller i svært liten grad har gitt noen ny forståelse av de arkeologiske samfunnene modellene har vært rettet mot (Ebert 2000).

Andre arkeologer har imidlertid vært mindre villig til å forkaste den induktive tilnærmingen. Særlig har Kvamme blitt stående som en viktig forkjemper for de induktive modellenes verdi. I den sammenheng har Kvamme (1999:173) blant annet påpekt at

(20)

20

deduktive lokasjonsmodeller sjelden har vist seg effektive når de testes mot eksisterende data.

Det mest kjente eksemplet på en vellykket deduktiv lokasjonsmodell ble framstillt i forvaltningsøyemed for ’Ontario Ministry of Natural Resources’ (se Dalla Bona 2000 for et sammendrag). Modellen baserte seg på variabler utledet fra etnografiske kilder framfor data fra eksisterende lokaliteter, som man for øvrig hadde lite av på forhånd. Men som det har blitt kommentert ble ikke den endelige Ontariomodellen framstilt før man også hadde kalibrert variablene mot distribusjoner av arkeologiske lokaliteter (Kvamme 2006:12).

Eksempelet fra Ontario viser at når man ser nærmere på hvordan induktiv og deduktiv modellering fungerer i praksis blir det raskt vanskeligere og opprettholde et slikt distinkt teoretisk skille. I følge Kvamme (1999) har kritikken av induktive modeller i stor grad vært basert på den feilaktige antakelsen at valg av variabler har blitt gjort uten noen forutgående teori. Det er i det hele tatt vanskelig å se hvordan det skulle kunne være mulig å framstille en lokasjonsmodell uten noen forutgående forståelse av menneskelig atferd. Dessuten er de såkalte deduktive modellene også til dels basert på en uformell induksjon i og med at kunnskap fra eksisterende lokaliteter uansett vil ha innflytelse på hvordan arkeologer forstår fortidig menneskelig atferd (Van Leusen 2002). Bo Ejstrud (2001) har karakterisert deduktiv modellering som et forsøk fra arkeologens side på å leve seg inn i fortidens forutsetninger, og det må stilles spørsmål til om vi i dag egentlig vil være i stand til å forstå disse fullt ut. Til slutt må vår fortidsforståelse uansett settes i sammenheng med empiriske data; en bør derfor være forsiktig med å reise påstander om den deduktive tilnærmingens teoretiske overlegenhet (Ejstrud 2001).

Det synes mer hensiktsmessig å betrakte induksjon og deduksjon som hver sin side av den samme vitenskapelige syklusen hvor vi kontinuerlig beveger oss fram og tilbake mellom teori og empiri (Kvamme 1999). Skillet mellom induktiv og deduktiv modellering bør nok derfor heller betraktes som et skille mellom metodiske tilnærminger og ikke ulike teoretiske fundamenter. Det er først og fremst et spørsmål om hvor man velger å gå inn i den vitenskapelige syklusen.

2.4.2 Prediktiv lokasjonsmodellering og Øko-determinisme

Som en utløper fra den romlige arkeologien hadde prediktiv lokasjonsmodellering fra begynnelsen av en sterk tilknytning til den prosessuelle arkeologien. Innenfor dette teoretiske rammeverket har kultur først og fremst vært forstått som uttrykk for menneskelig tilpasning til naturmiljøet (Olsen 1997). Med en slik kulturforståelse vil den geografiske distribusjonen av arkeologiske lokaliteter først og fremst reflektere en atferd der menneskene har søkt å

(21)

21

optimalisere sine muligheter innenfor det omkringliggende naturlandskapet. Den prosessuelle arkeologiens tanke om at det var mulig å avdekke lovmessige forbindelser mellom natur og kultur kom spesielt godt til syne i lokasjonsmodellene. Hvis det ikke lå en underliggende tanke til grunn om at det eksisterte sterke forbindelser mellom arkeologiske lokaliteter og landskap ville det nok ha vært vanskelig å se for seg at landskapselementer kunne forutsi hvor man kunne finne ukjente lokaliteter.

Selv om det i løpet av 1980-tallet kom til nye teoretiske retninger i vestlig arkeologi som tok avstand fra prosessualistenes regelbaserte tilnærminger fikk slike analyser en oppsving mot slutten av tiåret, mye takket være introduksjonen av GIS i arkeologi (Van Leusen 2002). Den første reaksjonen hos arkeologer som tok i bruk dette nye verktøyet var en sterk optimisme. I den nye teknologien så man muligheter for romlig analyse som ikke hadde vært til stede tidligere (Allen et. al 1990). Etter hvert som bruken av GIS i arkeologi ble mer utbredt ble arkeologer også mer bevisst på at GIS, som alle andre verktøy, hadde sine begrensninger. Disse begrensningene har sin rot i at GIS i utgangspunktet ikke er utformet for å håndtere arkeologiske problemstillinger. Arkeologiske data er av en annen karakter og har flere dimensjoner ved seg enn den geografiske informasjonen som GIS ble utviklet for å behandle og analysere (Harris & Lock 1995). Det forholdet som har fått størst oppmerksomhet blant arkeologer er tendensene til økologisk determinisme og ensidig fokus på det naturlige landskapet i GIS-baserte analyser (Gaffney & Van Leusen 1995, Wansleeben

& Verhart 1997). Dette problemet må i stor grad ses i sammenheng med mangler med GIS som verktøy, allikevel er det samtidig også et spørsmål om arkeologene selv har vært oppmerksomme på alternative forklaringer.

Tar vi for oss prediktiv lokasjonsmodellering er det åpenbart at metoden har vært dominert av variabler knyttet til landskapselementer og naturmiljøet, både i tiden før og etter at GIS ble tatt i bruk (Dalla Bona 1994a, Ejstrud 2001, Kohler & Parker 1986). I følge Kvamme (1999) må dominansen av slike variabler betraktes som et generelt problem i arkeologiske applikasjoner av GIS. Men han stiller samtidig spørsmål til hvorvidt dette skyldes GIS i seg selv eller om det ikke heller reflekterer dataene som benyttes. Ut fra dette kan vi altså spørre om alt som skal til for å komme øko-deterministiske tendenser til livs er å bruke andre typer data og/eller definere andre typer variabler? Dette leder oss umiddelbart tilbake til hvilke muligheter som er tilgjengelige i GIS.

For at en variabel i det hele tatt skal kunne behandles i et GIS vil vi alltid være avhengig av at denne lar seg utrykke kartografisk. Denne forutsetningen gjelder uansett om variabelen er naturlig eller menneskelig betinget (Ejstrud 2001). I denne sammenhengen er

(22)

22

det åpenbart at naturlige landskapsvariabler er mer tilgjengelige fordi de relativt enkelt lar seg utrykke som en kartografisk målbar størrelse (Ejstrud 2001, Kvamme 1999) Dette betyr ikke at sosiale og kognitive variabler dermed er umulige å inkorporere i en GIS-basert lokasjonsmodell. Men de er fortsatt mer problematiske å definere og krever en mer kreativ utnyttelse av de verktøyene som et GIS kan tilby. Det er derfor ikke overraskende at lokasjonsmodeller har vært, og antakelig også fremover vil være dominert av naturlige landskapsvariabler. Slik de geografiske informasjonssystemene er utformet i dag er det rett og slett enklere å framstille lokasjonsmodeller som fordrer en øko-deterministisk forståelse for lokalitetenes plassering i landskapet.

At man har blitt gjort bevisst på de øko-deterministiske tendensene i GIS-basert analyse har hatt en positiv effekt på den videre utviklingen av lokasjonsmodellering og arkeologisk bruk av GIS generelt. Arkeologer har i senere tid arbeidet mye for å inkorporere sosiale variabler i GIS-basert analyse for å skape en bredere forståelse av forholdet mellom mennesker og landskap (Lock 2000, Lock & Harris 2006). Denne trenden kommer etter alt å dømme til å fortsette men vil nok samtidig kreve en videreutvikling av GIS-teknologien dersom den skal kunne behandle flere av de spørsmål arkeologer ønsker å besvare.

Arkeologiske lokasjonsmodeller er altså ikke nødvendigvis øko-deterministiske fra grunnen av men de vil alltid reflektere arkeologens valg av variabler og GIS-teknologiens begrensninger. Hvorvidt kulturelle og sosiale forhold vil komme til utrykk i framtidige modeller vil delvis være avhengig av arkeologenes valg og forståelse av fortiden og delvis avhengig av teknologien som benyttes. Øko-determinstiske trekk vil nok alltid være tilstede i mange modeller. Disse er da heller ikke ugyldige selv om de ikke gir et fullstendig bilde av menneskelig atferd. Vi må uansett regne med at det alltid vil være sider ved menneskelig atferd som vi ikke vil kunne analysere i et GIS. En lokasjonsmodell vil således alltid være en ufullstendig forklaring på arkeologiske lokaliteters plassering, den vil kunne forklare mye om noe men aldri alt.

2.5 Teoretisk utgangspunkt

Som den forskningshistoriske gjennomgangen bærer preg av har teoretiske debatter rundt prediktiv lokasjonsmodellering fokusert på skillet mellom induktive og deduktive tilnærminger, og spørsmålet om GIS fordrer øko-deterministisk forståelse av menneskelig atferd. Det må imidlertid stilles spørsmål til om disse debattene egentlig har vært spesielt nyttige for å skape forståelse for hva lokasjonsmodellering i praksis går ut på. I følge Van Leusen (2002) ville det vært bedre om man unngikk dikotomier som induktiv - deduktiv og

(23)

23

øko-determinisme - postmodernisme, fordi de i liten grad hjelper til å forklare logikken bak lokasjonsmodellering. Når det her skal redegjøres for det teoretiske grunnlaget for dette mastergradsprosjektet vil det derfor først settes fokus på grunnleggende prinsipper ved prediktiv lokasjonsmodellering i praksis. Deretter vil det bli sett nærmere på ’affordance- teori’; et teoretisk rammeverk som er godt egnet for å diskutere og forstå modellvariabler.

2.5.1 Grunnleggende prinsipper ved lokasjonsmodellering

For å få en nærmere forståelse av en vitenskapelig metode er det naturlig å ta utgangspunkt i hva som er målet med metoden. Som det allerede har blitt presisert handler prediktiv lokasjonsmodellering om å forutsi hvor i landskapet det er størst sannsynlighet for å finne arkeologiske lokaliteter. Dette er i seg selv, som Ejstrud (2001) har poengtert, et spørsmål om valg av sted å være. Eller nærmere bestemt: Hvor har fortidens mennesker valgt å være?

Alle lokasjonsmodeller har imidlertid også et annet mål som er vel så viktig som å finne de gode stedene å være. I følge Kvamme (2006) handler framstillingen av en lokasjonsmodell først og fremst om å utelukke de steder der det er minst sannsynlig å finne lokaliteter, altså de dårlige stedene å være.

Disse to målene er åpenbart nært forbundet med hverandre, om ikke to sider av samme sak. Det er en logisk konsekvens at man ved å eliminere de dårlige stedene å være til slutt vil stå igjen med de gode stedene å være. Når det gjelder lokasjonsmodellering er det imidlertid vanlig å se dette som to individuelle målsetninger. Dette er fordi den generelle nytteverdien av en hver lokasjonsmodell må evalueres ut fra både hvor ofte den påviser lokaliteter der de faktisk finnes, og hvor stor andel av det modellerte området den avskriver som dårlige steder å være (Kvamme 1990, Van Leusen 2002). Evalueringer av en lokasjonsmodells nytteverdi er dessuten fullt mulig å gjøre uten å foreta ekstensive feltundersøkelser, ved å teste modellen mot kjente arkeologiske lokaliteter. (Dalla Bona 1994a, Kvamme 1990, Van Leusen 2002).

En modells evne til å påvise lokaliteter vil i denne oppgaven betegnes som treffsikkerhet, mens den effektive avskrivingen av modellområdet vil betegnes som arealreduksjon.

Idealet som en hver lokasjonsmodell sikter mot er kombinert høy treffsikkerhet og arealreduksjon. Lokasjonsmodeller som kun kan vise til enten høy treffsikkerhet eller høy arealreduksjon har som regel liten nytteverdi (Van Leusen 2002). Dette er fordi arkeologiske lokaliteter i en geografisk sammenheng er svært sjeldne fenomener, og som regel vil det finnes flere gode steder å være enn arkeologiske lokaliteter innenfor et modellert område. En lokasjonsmodell vil derfor predikere lokaliteter også på steder der de ikke finnes (Kvamme 1990). For eksempel vil man ha lite nytte av en modell med en arealreduksjon der kun 20

(24)

24

prosent av en geografisk region avskrives, selv om den har en svært høy treffsikkerhet der over 90 prosent av kjente lokaliteter innenfor området blir påvist. Et slikt resultat ville være til liten hjelp når man skal ut å søke etter ukjente lokaliteter siden det potensielle søkeområdet fortsatt ville utgjøre 80 prosent av den totale modellerte regionen.

For å diskriminere mellom gode og dårlige steder å være framstilles en hver prediktiv lokasjonsmodell i form av et sett med variabler. En modellvariabel er i seg selv et formalisert uttrykk for en observert eller forventet sammenheng mellom landskap og arkeologiske lokaliteter. Slike sammenhenger beskrives av arkeologer flest som en lokasjons- eller lokaliseringsfaktor. Dette uttrykket defineres i form av spesifiserte parametre for hver enkelt variabel. Hvor stramt variabelparametrene defineres avgjør hvordan og i hvor stor grad den enkelte variabelen diskriminerer mellom gode og dårlige steder å være. For eksempel vil modellvariabelen nærhet til ferskvann med en avstandsparameter på 400 meter indikere færre områder som gode steder å være sammenlignet med en avstandsparameter på 500 meter.

I tillegg til at en lokasjonsmodell nytteverdi kan evalueres ut fra treffsikkerhet og arealreduksjon kan også de enkelte variablenes prediktive verdi evalueres på samme måte. De modellvariablene som hver for seg viser den sterkeste korrelasjonen med lokaliteter (treffsikkerhet) sammenlignet med hvor stor andel av modellrådet de avskriver (arealreduksjon) vil dermed være de mest verdifulle variablene.

Som nevnt ble det tidlig erkjent at arkeologiske lokaliteters plassering i landskapet må betraktes som polytetisk (Williams et al. 1973). I praksis betyr det at menneskers valg av sted å være må betraktes som en samlet vurdering av flere ulike faktorer i landskapet. Dette impliserer at lokasjonsmodeller bestående av flere variabler vil fungere bedre enn en enkelt variabel alene. I en geografisk sammenheng er det logisk at steder assosiert med to eller flere variabler som regel vil forekomme sjeldnere enn steder assosiert med kun en variabel. Videre følger det at jo flere variabler man ser etter, desto færre steder vil være assosiert med samtlige variabler. Ved å kombinere de enkelte modellvariablene med hverandre søker en prediktiv lokasjonsmodell altså å identifisere de steder i landskapet med størst antall lokaliseringsfaktorer til stede, og dermed gi en mer effektiv arealreduksjon (Dalla Bona 1994a, Kvamme 2006).

Det er imidlertid svært viktig å være klar over at arkeologiske lokaliteter ikke er et homogent fenomen. Lokaliteter som representerer ulike perioder og ulike aktiviteter vil også være assosiert med ulike typer steder og lokaliseringsfaktorer (Kvamme 2006). Dette reflekterer at valg av sted å være alltid vil være en kontekstuell vurdering. Dermed vil en prediktiv lokasjonsmodell aldri lykkes med å identifisere absolutt alle steder der det finnes

(25)

25

arkeologiske lokaliteter innenfor et geografisk område. I stedet vil den først og fremst identifisere lokaliteter hvor valg av sted å være har blitt vurdert ut fra faktorer som er representert som variabler i modellen.

Også for modeller rettet mot spesifikke tidsperioder og/eller lokalitetstyper vil noen lokaliteter trolig fortsatt falle gjennom. Dette er fordi vi uansett må regne med at mennesker har hatt muligheter og evner for å tilpasse seg ulike landskapssituasjoner. Dermed vil det alltid eksistere et visst slingringsmonn i forhold til hvor mange faktorer som trenger å være til stede for å gjøre en lokalitet til et godt sted å være. Med andre ord vil ikke alle lokaliteter alltid være situert på de stedene i landskapet som en lokasjonsmodell anser som de aller mest optimale. I tillegg må vi regne med at modellvariablene heller ikke fanger opp absolutt alle faktorer som har blitt vurdert i hvert eneste valg av sted å være. For eksempel er det, som tidligere nevnt, en særlig utfordring å inkorporere kulturelle og sosiale variabler i prediktive lokasjonsmodeller.

Samlet sett kan en derfor si at jo strammere variabelparametrene er definert, og jo flere variabler en lokasjonsmodell krever må være på plass, desto mer idealisert er stedene som modellen identifiserer som gode steder å være. Hvilket i praksis betyr at arealreduksjonen vil bli høyere, mens flere lokaliteter trolig vil falle i gjennom slik at treffsikkerheten bli lavere.

Dermed vil det i en prediktiv lokasjonsmodell alltid være en balansegang mellom treffsikkerhet og arealreduksjon. Det vil altså være en terskel for hvor høy arealreduksjon som kan gjennomføres før det resulterer i en redusert treffsikkerhet. At noen lokaliteter faller gjennom kan imidlertid være positivt i en arkeologisk forskningssammenheng. Fordi det da er en mulighet for at lokalitetene som faller gjennom i seg selv kan representere menneskelige valg og atferd som arkeologer så langt ikke har vært klar over. Dermed kan testing av lokasjonsmodeller mot kjente lokaliteter identifisere lokaliteter det vil være interessant å undersøke nærmere. Denne typen applisering av lokasjonsmodeller har blitt betegnet som

’red-flag modeling’ (Altschul 1990).

For å forstå den enkelte lokasjonsmodell og de resultater den gir er det nødvendig å være så eksplisitt som mulig om hvilke variabler som er valgt, og hva de representerer i forhold til valg av sted å være. I den sammenheng er det også viktig å se modellvariablene i forhold til de arkeologiske samfunn som modellen retter seg mot. Teknologiske, sosiale og religiøse forhold i et samfunn vil alle kunne sette forutsetninger for hvilke deler av landskapet mennesker har tilgang til og hvor man velger å være (Kvamme 2006). For prediktiv lokasjonsmodellering er det svært viktig å være klar over hvilke forutsetninger fortidens mennesker faktisk har hatt når de har valgt steder å være. Dermed vil det være en fordel å ha

(26)

26

et teoretisk rammeverk som gir grunnlag for å forstå sammenhenger mellom modellvariabler og menneskelig valg av sted å være.

2.5.2 Affordance-teori og modellvariabler

Hvilke variabler som velges og hvordan de defineres utgjør selve essensen i en prediktiv lokasjonsmodell. Det er gjennom variablene vi predikerer lokaliteter og avskriver andre steder som uinteressante. Dermed burde det være nyttig for lokasjonsmodellering å formulere en teoretisk basis for å tenke om variabler som uttrykk for relasjoner mellom mennesket og omgivelsene. Debattene rundt lokasjonsmodellering har derimot så langt fokusert på ulike framgangsmåter for å velge ut og definere variabler i form av induksjon eller deduksjon, og mangelen på sosiale og kulturelle variabler. Et mer grunnleggende teoretisk perspektiv er tilgjengelig gjennom James Gibsons (1979) ’affordance-teori’.

Begrepet affordance kan enklest defineres som den eller de muligheter et objekt tilbyr levende vesener, konstituert av objektets materielle karakter (Gibson 1979:127). Objekt brukes i denne sammenheng i en svært vid forstand, det kan være en enkelt gjenstand, en annen levende organisme som et tre eller et dyr, eller et element i et landskap. Innenfor lokasjonsmodellering er det først og fremst de muligheter ulike landskapselementer tilbyr mennesket som interesserer oss. Videre vil et objekts affordance gjøre seg gjeldende i både positiv og negativ forstand (Gibson 1979). Tar vi for eksempel for oss et havområde som et enkelt objekt vil det kunne tilby muligheter som er både positive og negative. På den positive siden kan havet utgjøre en viktig matkilde for mennesket i form av andre organismer som lever i det (fisk, skalldyr, sel osv.). På den negative siden utgjør havet også en risiko for mennesket fordi det er mulig å synke ned i, noe som i verste fall kan resultere i drukning.

Et sentralt poeng i Gibsons affordance-teori er at mulighetene de enkelte objekter tilbyr alltid er relativ til hvem som er til stede (Gibson 1979:127). Sagt på en annen måte viser ikke objektets iboende egenskaper seg som muligheter før det samtidig er mennesker til stede som er i stand til å gjenkjenne dem. Objektenes affordance er således konstituert like mye av deres materielle kvaliteter som av menneskelig erfaring og forståelse.

Et enkelt objekt i seg selv kan tilby mennesker et svært stort antall muligheter (Gibson 1979). Dette gjelder like mye for steder og elementer i landskapet som for gjenstander. Hvilke muligheter som er gjenkjennbare på et sted er imidlertid svært komplisert når vi har å gjøre med mennesker. Dette er fordi et steds affordance vil være relativt til det samfunn menneskene lever i og deres behov. Mennesker i et jordbrukssamfunn vil gjenkjenne andre muligheter på et sted og i sine omgivelser enn mennesker som livnærer seg på jakt og fangst.

(27)

27

Mennesket møter aldri sine omgivelser som en uendelighet av muligheter som umiddelbart er gjenkjennbare. Affordance-teori understreker således at menneskers behov, valg og aktiviteter må ses i sammenheng med de ulike samfunn som studeres.

Prinsippene i affordance-teori burde på ingen måte være fremmed for arkeologer som arbeider med lokasjonsmodeller og lokasjonsanalyse. Poenget her er at når vi velger ut og tenker om variablene i en modell tenker vi samtidig på de ulike landskapselementenes affordance. En enkelt variabel kan i seg selv uttrykke enten en positiv eller negativ affordance. Positive variabler peker ut de steder hvor det er mer sannsynlig at mennesker har valg å oppholde seg, mens negative variabler vil identifisere steder som er utilgjengelige eller ugunstige for menneskelig aktivitet.

Sosiale og kulturelle variabler i lokasjonsmodeller kan også ses i forhold til affordance. Lock og Harris (2006) har blant annet inkorporert gravhauger som en enkelt variabel i en lokasjonsmodell for å se på om andre arkeologiske lokaliteter var situert med nærhet eller avstand til gravhaugene. Med andre ord kunne gravhaugene tenkes å representere enten en positiv eller negativ affordance. Som en positiv variabel ville gravhaugene kunne peke ut steder hvor mennesker valgte å oppholde seg, kanskje fordi de utgjorde viktige identitetsbærende elementer i landskapet. Dersom andre lokaliteter ikke opptrådte i nærhet til gravhaugene ville de være å betrakte som en negativ variabel, som dermed kunne tenkes å reflektere tabulignende forestillinger som ville ha gjort gravhaugenes nærliggende områder utilgjengelige for menneskelig aktivitet.

Til slutt må det bemerkes at selv om variabler kan forstås som et uttrykk for affordance betyr det ikke nødvendigvis at en hver variabel som viser god korrelasjon med lokaliteter har blitt vektlagt i menneskers valg av sted å være. Vi kan ikke utelukke at en variabels korrelasjon med lokaliteters plassering er et resultat av at den egentlig har autokorrelasjon med en annen utslagsgivende faktor for menneskers valg, som i seg selv kan være ukjent for arkeologen. Slik autokorrelasjon tilsier at selv om en variabel viser seg å ha prediktiv verdi, representerer den ikke nødvendigvis noen forklaring på lokalitetenes plassering. Selv om affordance-teori gir et godt utgangspunkt for å forstå sammenhenger mellom en variabel og lokaliteter må vi ta høyde for at en variabels korrelasjon med lokalitetene av og til kan være et resultat av autokorrelasjon.

(28)

28

(29)

29

3 Metodiske valg og datainnsamling

Oppbyggingen av en hver lokasjonsmodell involverer en lang rekke valg og metodiske grep som det er viktig å beskrive dersom det skal være mulig å forstå den enkelte modell, samt dens nytteverdi og begrensninger. Som en hovedregel bør man derfor søke å være så eksplisitt som mulig og redegjøre for hvilke valg som gjøres og antakelsene disse er basert på, så vel som hvilke data og variabler som benyttes og hvordan de manipuleres.

Dette kapittelet vil hovedsakelig omfatte overordnede metodiske valg gjort forut for modellframstillingen. Her vil de målsetningene for modellen bli spesifisert. Videre legges det til grunn et metodisk rammeverk som omhandler en rekke ulike beslutninger hvor det tas stilling til valg av GIS, framgangsmåte for å definere og kombinere variabler, valg av prediksjonsform, og til slutt håndtering av strandlinjeutvikling og endelig modellavgrensning.

Det er viktig å bemerke at de digitale kart- og lokalitetsdataene har hatt innvirkning på valg av metodikk og avgrensningen av modellen. For å kunne gi dette kapittelet en oversiktlig struktur vil innsamlingen av datamaterialet bli gjort rede for separat i siste del av kapittelet.

Der hvor datamaterialet har hatt betydning for metodiske valg og avgrensning vil dette bli spesifisert.

3.1 Målsetning for modellen og preliminær modellavgrensning

Det første steget i framstillingen av en prediktiv lokasjonsmodell handler åpenbart om å spesifisere hva modellen skal predikere og hvilke rammer dette skal gjøres innenfor. Dette er med andre ord et spørsmål om avgrensning av hvilke typer lokaliteter modellen skal være rettet mot, hvor stort kronologisk spenn og hvilke geografiske områder den skal dekke.

Hvordan denne avgrensningen blir spesifisert forteller også noe om hvor generalisert modellen til slutt vil være. Jo flere ulike lokalitetstyper og perioder en modell omfatter, desto mer vil den generalisere forholdet mellom mennesker og omgivelsene. Det er derfor problematisk at mange lokasjonsmodeller har blandet sammen mange ulike lokalitetstyper fra flere forskjellige perioder og behandlet dem som tilnærmet like arkeologiske fenomener (Dalla Bona 1994a, Kohler & Parker 1986). Dette problemet har blitt forsøkt unngått så mye som mulig i dette prosjektet, så langt som det har latt seg gjøre med det tilgjengelige datamaterialet.

(30)

30

Figur: 1 Preliminær modellavgrensning.

(31)

31

Det overordnede målet for modellen var prediksjon av kystnære bosetningslokaliteter fra eldre steinalder i et nordnorsk landskap. For å kunne evaluere modellen var det nødvendig med tilgang til digitale stedfestingsdata fra et visst antall kjente lokaliteter. Disse dataene har blitt lastet ned gjennom den internettbaserte databasen Askeladden¹. Gjennom de kjente lokalitetene var det mulig å teste modellen og få et inntrykk av dens nytteverdi, noe som ellers ville krevd omfattende feltundersøkelser. Jo flere kjente lokaliteter en modell testes mot, desto bedre grunnlag vil det være for å evaluere modellen. Dette la umiddelbart føringer for valg av hvilket geografisk område modellen skulle ta for seg.

I og med at det var ønskelig at modellen ikke skulle dekke et unødvendig stort geografisk område med mange kompliserende variasjoner i landskap og strandlinjeutvikling ble det besluttet å rette den mot Varangerfjorden i Øst-Finnmark. Dette valget ga modellen et relativt begrenset geografisk omfang som samtidig inkluderte et større antall kjente lokaliteter fra eldre steinalder. En preliminær geografisk avgrensning ble trukket opp som et rektangulært område langsetter fjorden (se Figur 1). Østover er grensen satt like utenfor Bugøya på sørsiden, og tilsvarende utenfor Vadsøya på nordsiden av fjorden. Mot Vest er grensen satt et stykke Vest for Tanaelven. Dette ble gjort fordi kystlinjen tidlig i eldre steinalder også strakk seg inn over områdene mellom Varangerfjorden og Tanaelven.

3.2 Metodisk rammeverk for modellen

Før en kan framstille en prediktiv lokasjonsmodell er det naturligvis nødvendig å foreta noen beslutninger om hvordan en har tenkt å gå fram. Alle disse beslutningene er til slutt relatert til variablene i modellen. Hvordan skal variabler framstilles og behandles? Hvordan skal en gå fram for å formulere prediksjoner på grunnlag av variablene? Skal variablene vektlegges ulikt eller skal de behandles som like betydningsfulle for prediksjonen av lokaliteter? Det å ta stilling til slike valg er ikke nødvendigvis alltid fullt ut subjektive vurderinger fra den enkelte arkeolog. For dette prosjektets modell satte også det tilgjengelige datamateriale visse forutsetninger for hva som var mulig.

3.2.1 Grafisk framstilling av variabler og valg av GIS

I et GIS er det mulig å behandle store mengder av geografiske data i form av en rekke ulike grafiske kartlag. Disse kan kombineres på mange ulike måter for å skape en kartografisk presentasjon som på best mulig vis bringer fram den informasjonen man interesserer seg for.

1 http://askeladden.ra.no/

(32)

32

Det er vanlig å skille mellom to hovedformer som de ulike kartlagene kan ha. Kartlag basert på vektordata presenterer den geografiske informasjonen i form av geometriske punkter, linjer og flater (se Figur 2). De kart som folk flest har erfaring med presenterer geografisk informasjon i en slik form. En raster behandler geografisk informasjon i et rutenett bestående av kvadratiske celler. Hver enkelt celle i et rasterlag er klassifisert med en spesifikk verdi som forteller hvordan et gitt geografisk tema fremstår innenfor cellen. Et typisk eksempel på et rasterlag er en digital høydemodell hvor cellenes verdi representerer høyde over havet (se Figur 2).

Figur 2: Vektor- og rasterdata

Til venstre: eksempel på høyde representert gjennom vektorformat (høydekurver). Til høyre: eksempel på høyde representert gjennom rasterformat.

Ved framstilling av en prediktiv lokasjonsmodell i et GIS er det naturlig å behandle hver enkelt variabel i hvert sitt separate kartlag som til slutt kombineres for å identifisere de områdene som antas å være mest gunstig for arkeologiske lokaliteter. Noen variabler er imidlertid mest praktisk å behandle i form av vektorlag, mens andre er enklere å framstille i form av en raster. Ikke alle GIS er like godt egnet for å håndtere begge disse formene for kartlag Noen GIS har også vært utformet spesifikt for enten vektor- eller rasterdata. For dette prosjektet ble det besluttet å ta i bruk ESRIs ArcGis (versjon 9.2) for framstillingen av modellen. Dette er en GIS-plattform som er utviklet for å kunne håndtere både vektor- og rasterlag, med mulighet for også å konvertere data mellom de ulike temalagstypene (Ormsby et.al 2004). Samtidig er det også en av de best kjente og mest brukte GIS-plattformene i arkeologisk virksomhet både i og utenfor Norge.